在扩散模型（Diffusion Models）中，“reverse process”（逆向过程）是指从一个完全噪声化的样本逐步去噪，还原出原始数据的过程。这个过程通常在采样阶段进行。
扩散模型中的逆向过程
扩散过程与逆向过程
-
扩散过程（Forward Process）：
- 这是一个将数据逐步添加噪声的过程，形成一系列带噪声的样本。数学上，这个过程可以表示为：
q(xt∣xt−1)=N(xt;1−βtxt−1,βtI) q(x_t | x_{t-1}) = \mathcal{N}(x_t; \sqrt{1-\beta_t} x_{t-1}, \beta_t I) q(xt∣xt−1)=N(xt;1−βtxt−1,βtI)
其中，x0x_0x0是原始数据，βt\beta_tβt是时间步ttt的噪声参数，xtx_txt是时间步ttt的带噪声数据。
- 这是一个将数据逐步添加噪声的过程，形成一系列带噪声的样本。数学上，这个过程可以表示为：
-
逆向过程（Reverse Process）：
- 这是一个从完全噪声化的样本逐步去噪，还原出原始数据的过程。这个过程的目标是从最终的噪声数据xTx_TxT开始，通过一系列的逆向步骤，得到无噪声的原始数据x0x_0x0。
数学描述
逆向过程通常假设为条件高斯分布：
pθ(xt−1∣xt)=N(xt−1;μθ(xt,t),Σθ(xt,t)) p_\theta(x_{t-1} | x_t) = \mathcal{N}(x_{t-1}; \mu_\theta(x_t, t), \Sigma_\theta(x_t, t)) pθ(x
最低0.47元/天 解锁文章
扫一扫
2576
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
